    import matplotlib
    print(matplotlib.__version__)

3.10.5

# Import Library (Satu-satunya sel kode dalam template ini)
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import librosa
import soundfile as sf
from PIL import Image
import cv2
from IPython.display import Audio, HTML, display
import os

# Set matplotlib untuk menampilkan plot inline
%matplotlib inline

# Tampilkan versi library untuk dokumentasi
print("Library versions:")
print(f"NumPy: {np.__version__}")
print(f"Librosa: {librosa.__version__}")
print(f"OpenCV: {cv2.__version__}")
print(f"Matplotlib: {matplotlib.__version__}")

# Tambahkan import lain jika diperlukan saat mengerjakan tugas

Library versions:
NumPy: 2.2.6
Librosa: 0.11.0
OpenCV: 4.12.0
Matplotlib: 3.10.5

# Path audio
filename = r"data/audio_epic_trailer_music.wav"

# Baca audio
data, samplerate = sf.read(filename)

# Metadata
durasi = len(data) / samplerate
kanal = 1 if len(data.shape) == 1 else data.shape[1]
total_sampel = len(data)

from IPython.display import Audio

print(f"Sample Rate   : {samplerate} Hz")
print(f"Durasi        : {durasi:.2f} detik")
print(f"Jumlah Kanal  : {kanal} ({'Mono' if kanal==1 else 'Stereo'})")
print(f"Total Sampel  : {total_sampel}")
Audio(filename)

Sample Rate   : 44100 Hz
Durasi        : 27.56 detik
Jumlah Kanal  : 2 (Stereo)
Total Sampel  : 1215488

# Path audio
filename = r"data\audio_epic_trailer_music.wav"

# Load audio
data, samplerate = sf.read(filename)

time = np.linspace(0, len(data) / samplerate, num=len(data))
fig, axs = plt.subplots(2, 1, figsize=(12, 6), sharex=True)

axs[0].plot(time, data[:, 0], color="blue")
axs[0].set_title("Waveform Audio - Left Channel")
axs[0].set_ylabel("Amplitudo")
axs[0].grid(True, linestyle="--", alpha=0.6)

axs[1].plot(time, data[:, 1], color="red")
axs[1].set_title("Waveform Audio - Right Channel")
axs[1].set_xlabel("Waktu (detik)")
axs[1].set_ylabel("Amplitudo")
axs[1].grid(True, linestyle="--", alpha=0.6)

plt.tight_layout()
plt.show()

# Path audio
filename = r"data\audio_epic_trailer_music.wav"

# Load audio 
y, sr = librosa.load(filename, sr=None, mono=True)

# Hitung STFT
n_fft = 1024
hop_length = 256
D = librosa.stft(y, n_fft=n_fft, hop_length=hop_length)

# Konversi magnitude ke skala log-dB
S_db = librosa.amplitude_to_db(np.abs(D), ref=np.max)

# Plot spectrogram
plt.figure(figsize=(12, 6))
librosa.display.specshow(S_db, sr=sr, hop_length=hop_length,
                         x_axis="time", y_axis="hz", cmap="magma")
plt.colorbar(format="%+2.f dB")
plt.title("Spectrogram (Log-dB)")
plt.xlabel("Waktu (detik)")
plt.ylabel("Frekuensi (Hz)")
plt.tight_layout()
plt.show()

# Path audio
filename = r"data\audio_epic_trailer_music.wav"

# Load audio (mono, sr asli)
y, sr = librosa.load(filename, sr=None, mono=True)

# Hitung MFCC (13 koefisien)
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13, n_fft=1024, hop_length=256)

# Plot heatmap MFCC
plt.figure(figsize=(12, 6))
librosa.display.specshow(mfcc, x_axis="time", sr=sr, hop_length=256, cmap="magma")

plt.colorbar(label="Nilai MFCC")
plt.title("MFCC")
plt.xlabel("Waktu (frame)")
plt.ylabel("Koefisien MFCC")
plt.yticks(range(13), [str(i) for i in range(1, 14)])

plt.tight_layout()
plt.show()

filename = r"data\image_sunset.jpeg"

# Cek file ada
if not os.path.exists(filename):
    raise FileNotFoundError(f"File tidak ditemukan: {filename}")

# Baca gambar dengan OpenCV (hasil default = BGR)
img_bgr = cv2.imread(filename, cv2.IMREAD_COLOR)
if img_bgr is None:
    raise IOError(f"Gagal membaca gambar (mungkin format tidak didukung): {filename}")

# Konversi BGR -> RGB untuk ditampilkan dengan matplotlib
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)

# Tampilkan
plt.figure(figsize=(10, 6))
plt.imshow(img_rgb)
plt.title("Gambar Pemandangan Sunset — (ditampilkan dalam format RGB)")
plt.axis("off")  # hilangkan axis untuk tampilan bersih
plt.tight_layout()
plt.show()

img = cv2.imread("data/image_sunset.jpeg", cv2.IMREAD_COLOR)

height, width, channels = img.shape
dtype = img.dtype
size_in_memory = img.nbytes  # ukuran dalam byte

print(f"Dimensi          : {height} x {width}")
print(f"Jumlah Kanal     : {channels}")
print(f"Tipe Data (dtype): {dtype}")
print(f"Mode Warna       : BGR (default OpenCV)")  # OpenCV default BGR
print(f"Ukuran Memori    : {size_in_memory / 1024:.2f} KB")

Dimensi          : 552 x 736
Jumlah Kanal     : 3
Tipe Data (dtype): uint8
Mode Warna       : BGR (default OpenCV)
Ukuran Memori    : 1190.25 KB

img = cv2.imread("data/image_sunset.jpeg", cv2.IMREAD_COLOR)

# Konversi BGR (OpenCV default) ke RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# Hitung histogram untuk tiap channel
colors = ('r', 'g', 'b')
labels = ('Red', 'Green', 'Blue')

plt.figure(figsize=(10, 5))
for i, color in enumerate(colors):
    hist = cv2.calcHist([img_rgb], [i], None, [256], [0, 256])
    plt.plot(hist, color=color, label=labels[i])
    plt.xlim([0, 256])

# Label dan legend
plt.title("Histogram Warna Gambar (RGB)")
plt.xlabel("Intensitas Piksel (0-255)")
plt.ylabel("Frekuensi")
plt.legend()
plt.show()

# Path video
video_path = r"data\video_cinematic_beach.mp4"

# Baca video dengan OpenCV
cap = cv2.VideoCapture(video_path)

if not cap.isOpened():
    print("Gagal membuka file video")
else:
    # Ambil metadata
    width  = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    fps    = cap.get(cv2.CAP_PROP_FPS)
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    duration = total_frames / fps if fps > 0 else 0

    # Klasifikasi resolusi
    if width >= 3840 and height >= 2160:
        resolution_class = "4K (Ultra HD)"
    elif width >= 1920 and height >= 1080:
        resolution_class = "Full HD (1080p)"
    elif width >= 1280 and height >= 720:
        resolution_class = "HD (720p)"
    elif width >= 640 and height >= 480:
        resolution_class = "SD (480p)"
    else:
        resolution_class = "Low Resolution"

    # Tampilkan hasil
    print(f"Resolusi       : {width} x {height}")
    print(f"Frame Rate     : {fps:.2f} fps")
    print(f"Total Frame    : {total_frames}")
    print(f"Durasi         : {duration:.2f} detik")
    print(f"Klasifikasi    : {resolution_class}")

cap.release()

Resolusi       : 1280 x 720
Frame Rate     : 29.97 fps
Total Frame    : 821
Durasi         : 27.39 detik
Klasifikasi    : HD (720p)

import cv2
import matplotlib.pyplot as plt

# Path video
video_path = r"data/video_cinematic_beach.mp4"

# Baca video
cap = cv2.VideoCapture(video_path)

if not cap.isOpened():
    print("Gagal membuka file video")
else:
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    fps = cap.get(cv2.CAP_PROP_FPS)

    frame_indices = [0, total_frames // 2]

    last_idx = total_frames - 1
    cap.set(cv2.CAP_PROP_POS_FRAMES, last_idx)
    ret, _ = cap.read()
    while not ret and last_idx > 0:
        last_idx -= 1
        cap.set(cv2.CAP_PROP_POS_FRAMES, last_idx)
        ret, _ = cap.read()
    frame_indices.append(last_idx)

    frames = []
    timestamps = []

    # Ambil frame sesuai index
    for idx in frame_indices:
        cap.set(cv2.CAP_PROP_POS_FRAMES, idx)
        ret, frame = cap.read()
        if ret:
            frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            frames.append(frame_rgb)
            timestamps.append(idx / fps)
        else:
            frames.append(None)
            timestamps.append(None)

    cap.release()

    # Plot hasil
    plt.figure(figsize=(15, 5))
    titles = ["Frame Awal", "Frame Tengah", "Frame Akhir"]

    for i, (frame, t) in enumerate(zip(frames, timestamps)):
        plt.subplot(1, 3, i+1)
        if frame is not None:
            plt.imshow(frame)
            plt.title(f"{titles[i]}\nTime: {t:.2f} detik")
        else:
            plt.text(0.5, 0.5, "Frame tidak terbaca", ha="center", va="center")
        plt.axis("off")

    plt.suptitle("3 Frame Representatif (Awal–Tengah–Akhir)", fontsize=14)
    plt.show()

Aspek Penilaian	Bobot	Deskripsi
Kelengkapan	35%	Semua langkah inti dikerjakan sesuai checklist
Kualitas Visualisasi	20%	Judul, label sumbu, colorbar, legend, keterbacaan plot
Analisis & Interpretasi	30%	Kemampuan interpretasi hasil, bukan sekadar output mentah
Kerapihan & Struktur	10%	Markdown jelas, kode modular, dokumentasi baik
Orisinalitas & Penguasaan	5%	Pemahaman saat presentasi acak

Tugas Analisis Multimedia: Audio, Gambar, Video¶

Deskripsi Tugas¶

⚠️ CATATAN PENTING: PRESENTASI ACAK & KEJUJURAN AKADEMIK¶

Petunjuk Umum Pengerjaan¶

📋 Cara Menggunakan Template¶

📊 Standar Visualisasi¶

📂 Struktur Data yang Direkomendasikan¶

⚠️ Larangan¶

🎯 Persiapan Presentasi Acak¶

Checklist Kelengkapan (Centang ✅ saat selesai)¶

🎵 Bagian Audio¶

🖼️ Bagian Gambar¶

📹 Bagian Video¶

📝 Analisis & Dokumentasi¶

Pendahuluan¶

Apa itu Data Multimedia?¶

Tujuan Tugas¶

Cara Kerja¶

Bagian A — Audio¶

A1. Deskripsi Data¶

A2. TODO: Muat & Metadata¶

A3. TODO: Waveform¶

A4. TODO: Spectrogram log-dB¶

A5. TODO: MFCC¶

A6. Analisis Ringkas (Wajib)¶

Bagian B — Gambar¶

B1. Deskripsi Data¶

B2. TODO: Baca & Tampilkan (RGB)¶

B3. TODO: Informasi Dasar¶

B4. TODO: Histogram Warna¶

B5. Analisis Ringkas (Wajib)¶

Bagian C — Video¶

C1. Deskripsi Data¶

C2. TODO: Baca & Metadata¶

C3. TODO: Tampilkan 3 Frame (Awal–Tengah–Akhir)¶

C4. Analisis Ringkas (Wajib)¶

Perbandingan & Kesimpulan¶

Perbandingan Representasi Media¶

Audio (1D - Temporal)¶

Gambar (2D - Spasial)¶

Video (2D + Waktu - Spatio-temporal)¶

Refleksi Pembelajaran¶

3 Poin yang Saya Pelajari:¶

2 Hal yang Masih Membingungkan/Ingin Diperdalam:¶

Sumber Data & Referensi¶

Rubrik Penilaian¶

Distribusi Bobot Penilaian¶

Detail Kriteria Penilaian¶

🏆 Kelengkapan (35%)¶

📊 Kualitas Visualisasi (20%)¶

🧠 Analisis & Interpretasi (30%)¶

📝 Kerapihan & Struktur (10%)¶

🎯 Orisinalitas & Penguasaan (5%)¶

Proporsi Penilaian Total¶

Aturan Kejujuran Akademik¶

📖 Penggunaan Referensi & AI yang Diperbolehkan¶

⚠️ Syarat & Batasan WAJIB¶

❌ Pelanggaran yang Berakibat Nilai 0¶

🎯 Persiapan Presentasi Acak¶

Panduan Pengumpulan¶

📁 Berkas yang Harus Dikumpulkan¶

Wajib:¶

📅 Informasi Pengumpulan¶

✅ Checklist Sebelum Submit¶

Export ke PDF:¶